اکسپرس 24
ترجمه فارسی مقاله مدل‌سازی دینامیک عصبی نهفته با سیستم‌های دینامیکی خطی سوئیچینگ فرآیند گاوسی

ترجمه فارسی مقاله مدل‌سازی دینامیک عصبی نهفته با سیستم‌های دینامیکی خطی سوئیچینگ فرآیند گاوسی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems
عنوان مقاله به فارسی مدل‌سازی دینامیک عصبی نهفته با سیستم‌های دینامیکی خطی سوئیچینگ فرآیند گاوسی
نویسندگان Amber Hu, David Zoltowski, Aditya Nair, David Anderson, Lea Duncker, Scott Linderman
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
دسته بندی موضوعات Neurons and Cognition,Machine Learning,Machine Learning,نورون و شناخت , یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 19 July, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 920,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Understanding how the collective activity of neural populations relates to computation and ultimately behavior is a key goal in neuroscience. To this end, statistical methods which describe high-dimensional neural time series in terms of low-dimensional latent dynamics have played a fundamental role in characterizing neural systems. Yet, what constitutes a successful method involves two opposing criteria: (1) methods should be expressive enough to capture complex nonlinear dynamics, and (2) they should maintain a notion of interpretability often only warranted by simpler linear models. In this paper, we develop an approach that balances these two objectives: the Gaussian Process Switching Linear Dynamical System (gpSLDS). Our method builds on previous work modeling the latent state evolution via a stochastic differential equation whose nonlinear dynamics are described by a Gaussian process (GP-SDEs). We propose a novel kernel function which enforces smoothly interpolated locally linear dynamics, and therefore expresses flexible -- yet interpretable -- dynamics akin to those of recurrent switching linear dynamical systems (rSLDS). Our approach resolves key limitations of the rSLDS such as artifactual oscillations in dynamics near discrete state boundaries, while also providing posterior uncertainty estimates of the dynamics. To fit our models, we leverage a modified learning objective which improves the estimation accuracy of kernel hyperparameters compared to previous GP-SDE fitting approaches. We apply our method to synthetic data and data recorded in two neuroscience experiments and demonstrate favorable performance in comparison to the rSLDS.

چکیده به فارسی (ترجمه ماشینی)

درک چگونگی ارتباط جمعی جمعیت عصبی با محاسبات و در نهایت رفتار یک هدف اصلی در علوم اعصاب است.برای این منظور ، روشهای آماری که سریال های زمانی عصبی با ابعاد بالا را از نظر پویایی نهفته کم بعدی توصیف می کنند ، نقش اساسی در توصیف سیستم های عصبی داشته اند.با این حال ، آنچه یک روش موفق را تشکیل می دهد شامل دو معیار متضاد است: (1) روش باید به اندازه کافی بیانگر باشد تا دینامیک پیچیده غیرخطی را ضبط کند ، و (2) آنها باید مفهومی از تفسیر را حفظ کنند که اغلب فقط توسط مدل های خطی ساده تر ضروری است.در این مقاله ، ما رویکردی را ایجاد می کنیم که این دو هدف را متعادل می کند: فرآیند گاوسی سیستم دینامیکی خطی سوئیچینگ (GPSLD).روش ما بر روی کار قبلی مدل سازی تکامل حالت نهان از طریق یک معادله دیفرانسیل تصادفی ساخته شده است که پویایی غیرخطی که توسط یک فرآیند گاوسی (GP-SDE) شرح داده شده است.ما یک عملکرد هسته جدید را پیشنهاد می کنیم که پویایی خطی محلی را به راحتی درون یابی می کند ، و بنابراین پویایی انعطاف پذیر - در عین حال قابل تفسیر - شبیه به سیستم های دینامیکی خطی سوئیچینگ مکرر (RSLD) را بیان می کند.رویکرد ما محدودیت های کلیدی RSLD ها مانند نوسانات مصنوعی در پویایی نزدیک به مرزهای دولت گسسته را برطرف می کند ، در حالی که تخمین های عدم اطمینان خلفی از پویایی را نیز ارائه می دهد.برای متناسب با مدل های خود ، ما از یک هدف یادگیری اصلاح شده استفاده می کنیم که دقت تخمین هاپرپارامترهای هسته را در مقایسه با رویکردهای مناسب GP-SDE بهبود می بخشد.ما روش خود را برای داده های مصنوعی و داده های ثبت شده در دو آزمایش علوم اعصاب اعمال می کنیم و عملکرد مطلوب را در مقایسه با RSLD نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.